基于高光谱成像技术的生菜叶片水分检测研究

[目的]探索利用高光谱图像技术检测作物含水率的方法。[方法]以意大利全年耐抽苔生菜为试材,利用高光谱成像系统采集生菜叶片的高光谱图像,用ENVI V.4和Matlab V.7.0软件对高光谱图像进行处理。[结果]采用自适应波段选择法从所采集的生菜叶片高光谱图像数据中优选出特征波长1 420 nm;对每个样本特征波长下的图像进行分割,反转以及形态运算等操作得到目标图像;从每个目标图像中提取灰度均值、灰度标准差作为灰度特征,能量、熵、惯性矩、相关性的均值和标准差作为纹理特征;采用GA-PLS法选出最优特征子集,并建立基于最优特征的偏最小二乘回归模型,以检测生菜叶片的含水率。[结论]模型的预测值与实测值的相关系数R为0.902,精度明显高于基于灰度特征或纹理特征的预测模型。     

RGB颜色通道在氧乙炔火焰图像分割中的应用

研究在RGB颜色通道中对氧乙炔火焰图像进行分割所取得的效果。并用MATLAB进行仿真,给出了同一幅图像的直接灰度图和颜色通道下的分割效果图,并计算出彩色图像在直接灰度图分割时的RGB均值和采用通道分割时的RGB均值,给出了分析结论．实验证明,采用颜色通道分割氧乙炔火焰图像可以为更准确的提取各项特征参数奠定基础．     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于高光谱技术融合图像信息的杏鲍菇干燥过程中含水率检测

为了应用高光谱成像技术结合图像处理技术研究杏鲍菇含水率的快速无损检测以及含水率分布可视化,采集不同干燥时期共240个杏鲍菇样品在358～1 021 nm波段范围内的高光谱图像。利用阈值分割方法将图像中杏鲍菇区域与背景分离,提取杏鲍菇的平均光谱数据。采用连续投影算法(SPA)和稳定性竞争自适应重加权采样法(SCARS)分别筛选出5个和10个特征波长;采用主成分分析方法获得杏鲍菇的前2个主成分图像PC1、PC2,基于灰度共生矩阵(GLCM)提取主成分图像PC1、PC2共16个纹理特征。利用偏最小二乘(PLS)和最小二乘支持向量机(LS-SVM)分别建立光谱特征、纹理特征以及光谱与纹理特征融合的含水率预测模型。结果表明:与光谱特征相比,纹理特征与含水率的相关性较差;光谱特征模型SCARS-LS-SVM预测效果最好,其预测集决定系数(R■)=0.975,均方根误差(RMSEP)=3.712,相对分析误差(RPD)=3.211。基于SCARS-LS-SVM模型,将杏鲍菇样品含水率分布用不同颜色直观显示,实现了含水率分布可视化。     

基于图像分析技术的烤烟叶片含氮量诊断模型

为了给叶片颜色特征参数与全氮的预测模型研究提供理论依据,利用图像处理技术提取生长关键期烟叶的颜色特征参数RGB,同时测定叶片全氮,采用线性拟合和多元回归分析方法,建立了烤烟旺长期叶片全氮含量估算模型,并对其精度进行了评价和验证。结果表明：RGB颜色系统的G、B可以作为叶片全氮含量估算的主要颜色特征参数,全氮含量的预测值与实测值的决定系数为R2=0.649（P〈0.01）;直线斜率为1.022 9,接近1,模型精度高,预测可靠。进而为烟株氮素快速诊断提供理论基础。     

基于Android的水稻叶片特征参数测量系统

[目的]提供基于Android的水稻叶片特征参数测量系统,为农学研究提供精准数据.[方法]系统设计主要分为图像获取、图像预处理和特征参数计算3部分:采用智能手机相机获取水稻叶片图像;通过灰度化、二值化和轮廓提取等操作对图像进行预处理;根据算法计算得到水稻叶片特征参数.[结果]精确度测试中,建立系统获取颜色分量(R、G、B)均值与各分量实际值的线性拟合模型,其决定系数分别为0.9803、0.9774和0.9805,均方根误差分别为1.086、1.413和0.8383;叶片几何参数中,系统获取水稻叶片长、宽、面积及周长与水稻叶片实际值的均方根误差分别为0.6469 cm、0.05022 cm、0.5329 cm2和2.412 cm.耗时测试中,采用多部不同配置手机对同一叶片进行测试,图像预处理及参数计算总时间均在2 s以内.可见,基于Android的水稻叶片特征参数测量系统能快速、准确、便捷地获取水稻叶片长、宽、面积、周长及颜色等特征数据,在一定程度上实现户外实地测量,满足农学研究的需要.[建议]对系统进行进一步优化,降低对外部辅助物的依赖,真正实现操作简便;增加氮素营养水平诊断算法实现氮素营养水平分类,以快速精准判断水稻生长营养状况,实现精确施氮.     

改进BP神经网络和特征提取的黄瓜病害识别研究

快速、准确地识别黄瓜病害类型,制定防治方案并采取相关措施,是保障黄瓜良好生长的前提条件.为此,该研究提出采用随机梯度下降法的改进BP神经网络结合颜色特征和纹理特征的方法对黄瓜叶病害进行识别.首先,对采集的已归档分类后黄瓜的3种病害图像进行尺寸归一化和数据增强等预处理,其次,通过分析选择RGB图像的R分量、灰度共生矩阵的对比度、熵和能量作为特征提取参数;再次,构建改进的BP网络,运用提取到的特征参数对黄瓜病害叶片进行分类识别.结果表明,采用该方法黄瓜叶病害的识别率可达91.33％,说明该方法能较好地识别病害,具有较好的鲁棒性.     

基于图像处理烤烟鲜烟叶含水率诊断研究

为探讨利用图像处理检测烤烟鲜烟叶含水率的方法,采用1 600万像素的数码相机采集处于旺长期的烤烟叶片的图像信息,用烘干法测量叶片的含水率;通过Matlab软件图像处理中的灰度直方图提取叶片图像的灰度均值和熵值特征值,并测量了烤烟叶片的最大长度、最大宽度、伸缩率、湿重等参数。结果表明,利用提取的15组烟叶叶片数据进行多项式曲线拟合,建立了图像灰度均值与烤烟叶片含水率的线性拟合预测模型,模型的相关系数R~2达到了0.796 5。由此表明,利用烟叶图像的灰度均值可以对其含水率进行诊断。     

基于GLCM纹理特征提取的黄瓜叶部病害检测算法研究

针对传统的植物叶部病害检测算法复杂的特点，提出了一种基于GLCM纹理特征提取的植物叶部病害检测算法。以黄瓜叶部炭疽病为研究对象，利用K-means聚类算法进行图像阈值分割，并利用灰度共生矩阵提取样本的能量均值、熵均值、对比度均值和相关均值等4种纹理特征参数，通过参数训练，确定无病害区和有病害区参数的区域，进而判定样本的病害情况。结果表明该算法实现效率高、鲁棒性较好。     

计算机视觉技术在核桃壳、仁及分心木识别中的应用研究

[目的]为了研究快速准确识别核桃壳、仁及分心木的方法,[方法]本研究以太谷"清香"核桃为研究对象,搭建计算机视觉系统获取核桃壳、仁及分心木的图像信息,提取各样本的12个颜色特征值(RGB和HSI各分量的均值与方差),以及利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)分别提取各样本能量、熵、惯性矩、相关性、逆差矩4个方向(0°,45°,90°,135°)共20个纹理特征参数。以颜色特征值、纹理特征值、颜色-纹理特征值融合作为输入建立3种最小二乘支持向量机(LS-SVM)模型(Y-LS-SVM、W-LS-SVM、Y-W-LS-SVM),并对各预测集样本进行判别。[结果]结果表明,Y-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为91.1%、82.4%、96.6%;W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为100%、85.3%、84.7%;Y-W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为93.3%、97.1%、100%。Y-W-LS-SVM模型的判别效果最好。[结论]本研究表明,基于计算机视觉技术能够很好地对核桃壳、仁及分心木进行识别,为核桃壳、仁及分心木在线分选技术提供理论基础。     

基于图像处理的青冈栎叶绿素含量检测系统研究

为了实时、便捷、经济地获取植物叶绿素含量,研究了基于OPENCV机器视觉库的青冈栎叶绿素含量实时检测系统。首先通过数码照相机获得叶片图像,对图像进行阈值分割,图像噪声处理和图像遍历,获得图像R、G、B值。然后对图像R、G、B进行各种组合变化获到不同的图像颜色特征参数,分析各图像颜色特征参数与青冈栎叶片叶绿素含量的相关性,并对相关系数较高的叶片图像颜色特征参数与叶绿素含量进行拟合分析,结果显示图像特征参数R、R-B、(R-B)/(R+B)均达到非常显著相关。在此基础上建立叶绿素含量检测模型,基于C++程序语言,OPENCV视觉库以及QT4界面程序,编写青冈栎叶绿素含量检测系统。最后将系统检测结果与其他方法进行了比较,系统检测结果平均误差为7.19%,最大误差为12.65%,验证了该系统的有效性和准确性。     

茶鲜叶的荧光光谱特征与叶绿素含量之间的关系研究

采集的65份茶鲜叶样本中45份用来建模,另外20份用来进行模型验证,研究茶鲜叶的荧光光谱特性与叶绿索含量之间的定量关系.结果表明:叶绿素含量与685nm处的荧光强度之间具有显著的相关性;同时发现叶片含水率对建模预测精度有影响.不考虑叶片含水率时,模型的决定系数r2=0.9195,模型预测的相关系数r=0.8956.考虑叶片含水率修正后,模型的决定系数和模型预测的相关系数都提高了,分别为r2=0.9632和r=0.9260.说明基于荧光反射光谱技术可以实现茶鲜叶叶绿素含量的快速无损检测.     

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。     

基于改进K中值聚类的苹果病害叶片分割方法

针对复杂背景下的苹果病害叶片分割问题,提出一种基于改进的K均值聚类的苹果病害叶片病斑分割方法。首先将原始叶片图像由RGB(R为红,G为绿,B为蓝)颜色空间转换到Lab(L为亮度,a为从洋红色至绿色的范围,b为从黄色至蓝色的范围)颜色空间,然后在Lab颜色空间中利用ab二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,利用数学形态学中的开闭交替滤波方法对聚类后的灰度图像进行校正,最后得到图像病斑。对3种常见苹果病害叶片图像进行分割,并与其他分割方法进行比较。结果表明,该方法效果好,其误分率为8.41%。     

基于图像处理技术的玉米叶部病害识别研究

本文结合玉米作物病害的图像特征,首先进行图像的预处理,实现叶部病斑的分割;随后以6个参量来描述玉米叶部病斑的形状特征;将图像由RGB坐标向HSI坐标系统转换,提取参量描述病斑颜色特征;采用灰度共生矩阵提取玉米叶部病斑的纹理特征;引入粒子群优化算法对传统神经网络算法进行改进,使之具备准确分类并识别玉米叶部病害的能力;最后构建了玉米叶部病害图像识别系统,并通过实验与比较,证明了所构建的系统识别病害的准确度。     

基于计算机视觉的竹块颜色分类方法研究

为了实现计算机视觉对竹块的自动识别与颜色分类,研究了竹块图像的颜色特征、颜色分类方法。首先,将原始图像由RGB空间转换为HSI空间,用OTSU法确定阈值对原图灰度图像分割背景,用radon变换倾斜校正,提取竹块颜色判定有效区域,并计算其HSI的均值和标准偏差,作为特征参数输入BP网络进行训练。结果表明,该方法简捷有效,人工神经网络与人工分级的平均一致度为94.5%。     

基于图像特征的油菜叶绿素含量快速估算

农业生产中叶片颜色通常被用作植物生长胁迫的诊断指标,叶片颜色与作物叶绿素含量密切相关.当前叶绿素含量的化学测定方法需耗费较多人力物力,而且得到测定结果存在滞后性,不能用于作物田间及时管理.通过油菜叶片图像颜色如R(红)G(绿)B(蓝)空间与Lab空间特征参数,可实现油菜叶绿素含量的估算.本研究表明:基于叶片图像颜色特征...     

黄瓜侵染性病害图像处理及特征值提取方法的研究

为了实现温室植物病害的智能化防治,采用数字图像处理技术对植物病害进行诊断已成为主要技术之一。就黄瓜侵染性病害的图象处理及特征值提取方法进行了研究。研究在图像预处理中,由于病变叶片形状大小不一、背景的存在和病状的不同,必然套对图像处理造成影响。本研究以选择图像的背景为切入点,分离了叶片与背景；利用边框裁减算法进行了图像处理窗口的确定,从而有效地提高了处理速度；比较了两种滤波的效果：选择邻域均值法作为颜色特征提取前的预处理,选择中值滤波作为纹理特征提取前的预处理；根据RGB三体对人眼的刺激程度的不同对图像进行了灰度化处理,从而简化了图像的处理难度．并提高了处理速度；利用双峰法从背景中分割出有效分析叶片部分,利用OSTU法将叶片正常部位与病态部位分割出来。从而为后续提取有效的病害诊断特征参数和建立模式识剐系统奠定了基础。     

基于机器视觉的玉米叶片透射图像特征识别研究

【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。